O 引言
智能視頻監(jiān)控以數(shù)字化、網(wǎng)絡(luò)化視頻監(jiān)控為基礎(chǔ)，但又有別于一般的網(wǎng)絡(luò)化視頻監(jiān)控，它是一種更高端的視頻監(jiān)控應(yīng)用。智能視頻監(jiān)控系統(tǒng)能夠識別不同的物體。發(fā)現(xiàn)監(jiān)控畫面中的異常情況，并能以最快和最佳的方式發(fā)出警報(bào)和提供有用信息，從而能夠更加有效地協(xié)助安全人員處理危機(jī)，并最大限度地降低誤報(bào)和漏報(bào)現(xiàn)象。智能視頻監(jiān)控中的運(yùn)動目標(biāo)檢測與跟蹤技術(shù)則是實(shí)現(xiàn)這一環(huán)節(jié)的關(guān)鍵技術(shù)。目前比較常用的運(yùn)動目標(biāo)檢測方法是幀間差分法、背景差分法和光流法。而幾種較受關(guān)注的目標(biāo)跟蹤算法則有粒子濾波、基于邊緣輪廓的跟蹤和基于模板的目標(biāo)建模等方法。
通過計(jì)算機(jī)開源視覺庫(openCV)中的運(yùn)動模板檢測能對視頻圖像中運(yùn)動目標(biāo)有效地進(jìn)行檢測與跟蹤，本文首先介紹了openCV算法，然后在該算法的基礎(chǔ)上，給出了實(shí)現(xiàn)智能視頻監(jiān)控中對運(yùn)動目標(biāo)進(jìn)行跟蹤，并根據(jù)運(yùn)動目標(biāo)的質(zhì)心位置作出相應(yīng)智能判斷的具體方法。
1 0penCV簡介
OpenCV是“Open Source Computer Vision Library”的簡寫，是Intel開源計(jì)算機(jī)視覺庫。它由一系列C函數(shù)和少量的C++類構(gòu)成，是可實(shí)現(xiàn)圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。OpenCV擁有包括300多個C函數(shù)的、跨平臺的中、高層API，它不依賴與其它的外部庫。Op-enCV對非商業(yè)應(yīng)用和商業(yè)應(yīng)用都是免費(fèi)的；另外，OpenCV為Intel的IPP也提供了透明接口。這意味著，如果有為特定處理器優(yōu)化的IPP庫，那么，OpenCV將在運(yùn)行時自動加載這些庫，以使函數(shù)性能達(dá)到最好。OpenCV的優(yōu)點(diǎn)是開放源代碼，具有基于Intel處理器指令集開發(fā)的優(yōu)化代碼，統(tǒng)一的結(jié)構(gòu)和功能定義，強(qiáng)大的圖像和矩陣運(yùn)算能力，以及方便靈活的用戶接口，同時支持MS-Windows和Linux平臺。
最新的OpenCV庫已經(jīng)包含有大量的函數(shù)和例子，可用來處理計(jì)算機(jī)視覺領(lǐng)域中常見的問題，其中主要涉及到以下幾個方面的內(nèi)容：
(1) Motion Analysis and Objection Tracking-運(yùn)動分析和目標(biāo)跟蹤；
(2)Image Analysis-圖像分析；
(3) StructuralA nalysis-結(jié)構(gòu)分析；
(4)ObjectR ecognition-目標(biāo)識別；
(5)3D Reconstruction-3D重建。
2 算法流程
運(yùn)動模塊檢測算法的流程圖如圖1所示。該流程首先是獲得當(dāng)前幀與上一幀的差，接著對差圖像進(jìn)行二值化，以去掉超時影響，更新運(yùn)動歷史圖像，然后計(jì)算運(yùn)動歷史圖像的梯度方向，并將整個運(yùn)動分割為獨(dú)立的運(yùn)動部分，再用一個結(jié)構(gòu)序列標(biāo)記每一個運(yùn)動分割，最后計(jì)算選擇區(qū)域的全局運(yùn)動方向，從而獲得運(yùn)動目標(biāo)的質(zhì)心位置與運(yùn)動方向。
這個算法基于的條件是運(yùn)動目標(biāo)相鄰兩幀之間在畫面上存在的交集，此算法不用外推和相關(guān)分析以及軌跡后處理就可以清晰地顯示出目標(biāo)的軌跡、速度與方向。用該算法基于運(yùn)動目標(biāo)檢測運(yùn)動目標(biāo)前景圖像的具體過程可描述如下：
◇存儲檢測出來的目標(biāo)前景圖像，并使過去的幀灰度遞減：
◇在當(dāng)前幀打上時間戳疊加存儲到歷史圖像后綴；
◇形成梯度漸變圖像；
◇由分割得到的梯度漸變圖像得到目標(biāo)位置，并計(jì)算漸變梯度，以得到目標(biāo)的速度和方向，并加上批號標(biāo)記。
該算法簡化了目標(biāo)相關(guān)性的運(yùn)算，可在初始狀態(tài)下對于目標(biāo)運(yùn)動趨勢不了解的情況下實(shí)施對目標(biāo)的穩(wěn)定跟蹤，同時具有良好的實(shí)時性能。
3 相關(guān)函數(shù)
通過函數(shù)cvUpdateMotionHistory可使用下列方式更新運(yùn)動歷史圖像：
也就是說，MHI(motion history image)中運(yùn)動所發(fā)生的象素點(diǎn)被設(shè)置為當(dāng)前時間，而運(yùn)動發(fā)生較久的象素點(diǎn)將被清除。
函數(shù)cvCalcMotionGradient用于計(jì)算MHI的差分Dx和Dy，然后計(jì)算梯度方向，其公式為：
orientation(x，y)=arcztan(Dy(x，y)／Dx(x，y))
其中要考慮Dx(x，y)和Dy(x，y)的符號。然后填充mask以表示哪些方向是正確的。
函數(shù)cvCalcGlobalOrientation用于在選擇的區(qū)域內(nèi)計(jì)算整個運(yùn)動方向。并返回0°到360°之間的角度值。首先由函數(shù)創(chuàng)建運(yùn)動直方圖，并尋找基本方向做為直方圖最大值的坐標(biāo)。然后通過函數(shù)計(jì)算與基本方向的相對偏移量，并將其做為所有方向向量的加權(quán)和(運(yùn)行越近，權(quán)重越大)。所得到的角度就是基本方向和偏移量的循環(huán)和。
函數(shù)cvSegmentMotion可尋找所有的運(yùn)動分割，并在seg_mask用不同的單獨(dú)數(shù)字(1，2，…)標(biāo)識它們。它也可返回一個具有CvConnected-
Comp結(jié)構(gòu)的序列。其中每個結(jié)構(gòu)對應(yīng)一個運(yùn)動部件。在這之后，每個運(yùn)動部件的運(yùn)動方向就可以被函數(shù)cvCalcGlobalOrientation利用提取的特定部件的掩模(mask)計(jì)算出來。此外，每個運(yùn)動部件的質(zhì)心位置也可由返回的圖像ROI位置來確定，由此便可確定運(yùn)動目標(biāo)的位置。
4 實(shí)驗(yàn)結(jié)果
在實(shí)驗(yàn)中，可采取標(biāo)準(zhǔn)視頻圖像源來有效檢測跟蹤出圖像中的運(yùn)動目標(biāo)，圖2所示是其實(shí)驗(yàn)結(jié)果示意圖。其中通過圖2(a)能夠根據(jù)CvCon-neetedComp中所獲取的運(yùn)動分割形狀大小，濾掉所不關(guān)心的運(yùn)動目標(biāo)；而對于圖2(b)，如果把限定閾值取大。則視頻中的騎自行車的人將不會被跟蹤顯示；
圖2(c)中，假定豎直線右側(cè)為警戒區(qū)域，當(dāng)有目標(biāo)進(jìn)入該區(qū)域時。即運(yùn)動目標(biāo)的質(zhì)心位置為某一區(qū)間值時，則對該目標(biāo)進(jìn)行標(biāo)記，從而達(dá)到智能判斷的效果。圖中直線方向表示運(yùn)動物體的運(yùn)動方向，在實(shí)際的運(yùn)用場景中，可由此判斷物體是否逆行以達(dá)到智能監(jiān)控和識別的效果。
5 結(jié)束語
本文介紹了openCV中運(yùn)動模板的檢測方法，該方法可以有效正確檢測和跟蹤視頻圖像中的運(yùn)動目標(biāo)，并能獲得該目標(biāo)的運(yùn)動方向與相應(yīng)位置，從而實(shí)現(xiàn)智能視頻監(jiān)控和智能判斷。但實(shí)際上，該方法仍然會存在運(yùn)動背景差不精確、運(yùn)動目標(biāo)形狀大小不一等問題，因此，還需進(jìn)一步研究或與其他方法相結(jié)合，以達(dá)到更好的效果。